一种反演问题求解的免疫克隆粒子群优化算法

为了克服标准粒子群优化(PSO)算法易陷入局部最优以及进化后期收敛速度慢等缺陷,分析了标准PSO算法早熟收敛的原因,提出了基于混合变异机制的免疫克隆粒子群优化(ICPSO)算法并将其应用到波阻抗反演问题中.克隆选择算子能够在局部极值点接近全局最优点时有效增强最优粒子跳出局部解的能力;引入混沌映射Tent序列加速最优粒子的变异学习,在局部极值点与全局最优点距离较远时扩大遍历范围,避免陷入局部极值.通过理论模型试算表明,ICPSO算法在进行波阻抗反演时不仅收敛速度快,而且具有较高的反演精度和抗噪性能.     

带变异算子的非线性惯性权重PSO算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法。该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力。当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力。用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度。     

带变异算子的非线性惯性权重 PSO 算法

为了克服粒子群优化算法容易陷入局部最优、早熟收敛的缺点,提出了一种带有变异算子的非线性惯性权重粒子群优化算法.该算法以粒子群算法为基础,首先采用非线性递减策略对惯性权重进行调整,平衡粒子群优化算法的全局和局部搜索能力.当出现早熟收敛时,再引入变异算子,对群体粒子的最优解做随机扰动提高算法跳出局部极值的能力.用三种经典测试函数进行测试,试验结果表明,改进算法与粒子群算法相比,能够摆脱局部最优,得到全局最优解,同时具有较高的收敛精度和较快的收敛速度     

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进：在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。     

基于粒子群参数优化的同构双种群蚁群算法

针对蚁群算法易陷入局部最优、收敛速度较慢的问题,提出一种基于粒子群参数优化的同构双种群蚁群算法。将蚂蚁均分为两个子群,第一子群引入单位距离信息素路径构建算子,加强距离因素和信息素因子的协同作用;第二子群引入粒子群优化算法,对蚁群算法的多个参数在三维空间中进行优化,提高了解的质量。两个种群在参数方面优势互补并进行协同交流,共同促进算法找到全局最优解。针对TSP问题,实验表明,所设计的算法增强了算法的种群多样性。     

基于觅食算子的粒子群优化算法

针对粒子群优化算法PSO（Particle Swarm Optimization）容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点,把人工鱼群算法中的觅食算子改进后引入到基本PSO算法中,提出了一种具有觅食算子的PSO算法。算法在每次迭代后,对全局最优结果执行小规模觅食算法进行局部寻优,并用优化结果代替全局最优结果,从而防止PSO算法陷入局部极小,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度。仿真结果表明,该算法的优化性能优于基本PSO算法。     

基于自适应选择和变异的改进粒子群算法

针对基本粒子群优化算法搜索精度低和易早熟的缺点,提出了一种基于自适应选择和变异算子的改进粒子群算法。选择算子可提高粒子群的整体适应度,增强粒子群的局部搜索能力;变异算子则能扩大粒子群的搜索范围,防止粒子群陷入局部最优。搜索时,根据全局极值在迭代过程中的变化情况,自适应地调整选择算子和变异算子使粒子群飞向全局最优。典型函数的算例测试表明,改进的粒子群算法较传统算法具有更高的搜索精度和更强的抗早熟能力。     

改进型PSO算法在VRP中的应用

运用罚函数法将约束优化问题转化为无约束优化问题,同时采用实数编码方案,将离散的车辆路径问题转化成准连续优化问题,在此基础上,用改进的粒子群优化算法求解最优值.改进的粒子群算法引入了杂交PSO模型和变异算子.仿真实验结果表明,该算法在保持粒子种群多样性、提高收敛速度和搜索精度、扩大搜索范围、避免过早收敛于局部极值点等方面...     

免疫综合学习粒子群优化算法

针对综合学习粒子群算法后期收敛速度慢、一旦所有粒子陷入局部最优,则无法跳出等缺陷,提出免疫综合学习粒子群优化（ICLPSO）算法。ICLPSO算法引入人工免疫系统中的克隆选择机制,利用克隆复制、高频变异、克隆选择等操作,增加种群的多样性,提高算法的收敛速度,利用柯西分布较宽的两翼分布特性进行精英粒子学习以进一步增强粒子逃离局部极值及多峰函数优化问题全局寻优能力。针对标准测试函数的仿真结果表明,与其他改进粒子群算法相比,ICLPSO算法收敛速度快,求解精度更高。     

混合改进搜索策略的鸡群优化算法

针对鸡群算法易陷入局部最优和出现早熟收敛的情况,提出一种混合改进搜索策略的鸡群优化算法。该算法通过种内和种间竞争,确定子群规模及等级次序,子群角色通过竞争繁殖进行动态更新。种群进化寻优中引入全局最优引导策略和动态惯性策略,个体的寻食学习通过动态惯性策略进行自我调整,并同时接受子群与种群中的最优个体引导,以平衡局部搜索和全局搜索之间的关系。仿真实验结果表明,与基本鸡群算法和粒子群算法等相比,改进后的鸡群算法能有效提高算法的收敛精度和收敛速度。     

基于改进离散粒子群算法的炼钢连铸最优浇次计划

提出了浇次数未知的最优浇次计划模型. 在分析该模型求解困难的基础上, 提出了用伪旅行商表示该模型的方法. 针对离散粒子群优化具有收敛速度、精度低, 但能充分利用各粒子的局部最优值和全局最优值信息的特点,而序列倒置算子具有收敛速度和精度较高, 但学习具有盲目性的特点, 结合二者优点, 提出了一种基于序列倒置的改进离散粒子群优化算法. 实验研究表明, 该算法与普通离散粒子群优化算法相比, 不论是收敛速度和还是求解精度都有了较大提高. 基于该改进算法求解最优浇次计划模型的研究表明: 所提伪旅行商问题模型非常适合用于组浇模型描述. 应用实际生产数据的计算表明该模型及其求解方法均非常有效.     

基于克隆多尺度协同开采的离散微粒群算法

提出一种克隆多尺度协同开采的离散微粒群算法.多尺度变异概率根据粒子适应值大小进行动态调节,在算法初期通过大尺度概率变异增加算法多样性,后期通过逐渐减小的小尺度变异提高算法在最优解附近的局部精确解搜索性能,对当前最优解进行克隆选择,可进一步增强算法逃出局部极小解的能力以及所求解的精度.将算法应用于5个benchmark函数优化问题并与其他算法比较,结果表明该算法不仅能增强全局解搜索性能,同时最优解的精度也有所提高.     

基于自适应粒子群算法的约束布局优化研究

二维带平衡及不干涉约束的圆集在圆容器内的布局优化问题（如卫星舱布局）在理论上属于带性能约束的布局优化M题,它是NP—hard问题的难点,由于它的复杂性,传统的粒子群优化算法难于求解．通过对传统的粒子群优化算法的多重改进,提出了一种自适应粒子群优化算法,该算法在整个搜索过程中,既能保持粒子群原有基本结构,同时又能扩大搜索范围,在提高多样性的同时保证搜索精度,从而加快了收敛速度,有效避免早熟收敛问题,得到最优解．将改进后的算法应用于约束布局问题,建立了此类问题的粒子群算法,通过3个算例的数值计算,验证了该算法的可行性和有效性．     

求解最小属性约简的病毒协同进化微粒群算法

提出一种基于病毒协同进化微粒群的最小属性约简算法.在算法中,进化在宿主与病毒种群之间协同进行,通过满足约简分辨力不变条件的最优病毒种子复制操作产生病毒库,病毒通过感染操作在宿主种群完成横向局部搜索,以提高算法局部精确解搜索能力;同时通过删减操作完成自我更新,实现增加局部搜索范围的目的.最后对UCI数据集进行属性约简实验,结果表明该算法在搜索最小属性约简解方面优于其他进化算法,同时收敛速度及寻优效率也有较大提高.     

基于近邻关系求解TSP的离散PSO算法*

针对NP-hard组合优化问题,提出一种基于启发因子的自适应混合离散粒子群算法对其进行求解。通过改进离散粒子群运动方程,并加入启发因子,从而提高算法的收敛性和稳定性;依据粒子多样性的动态变化,引入自适应扰动算子,以保持种群进化能力。该算法对低、中、高维的TSP数据仿真结果表明,与其他混合离散粒子群算法相比,具有更好的全局收敛性和稳定性。     

采用异构搜索的多子群协同进化粒子群算法

针对传统的单种群粒子群优化算法易陷入局部最优、搜索精度低的问题,提出一种异构多子群粒子群算法。算法由自适应子群、精英子群和若干普通子群构成,精英子群由普通子群和自适应子群中的优秀个体组成,每个子种群采用不同策略进行进化,根据种群的早熟收敛程度和粒子的适应度值自适应地调整惯性权重,自适应子群根据普通子群的适应度值和速度自适应调整飞行方向,采用免疫克隆选择算子对精英子群进行精细搜索,普通子群、自适应子群与精英子群之间通过迁移操作实现信息的充分交流。针对典型的Benchmark 函数优化问题测试,仿真结果表明所提算法能较好地保持粒子多样性,收敛精度高且全局搜索能力强,具有良好优化性能。     

A novel discrete particle swarm optimization algorithm for meta-task assignment in heterogeneous computing systems

Optimal assignment of a meta-task in heterogeneous computing systems is NP-complete in the general case. Therefore, heuristic approaches must be employed to find good solutions within a reasonable time. We propose a novel discrete particle swarm optimization (DPSO) algorithm for this problem. Firstly, to make particle swarm optimization algorithm more suitable for solving task assignment problems, particles are represented as integer vectors and a new position update method is developed based on discrete domain. Secondly, an effective variable neighborhood descent algorithm is applied to emphasize exploitation. In addition, migration mechanism is introduced with the hope to escape from possible local optimum and to balance the exploration and exploitation. Computational simulations and comparisons based on a set of benchmark instances indicate that the proposed DPSO algorithm is a viable approach for the task assignment problem.     

求解TSP问题的自逃逸混合离散粒子群算法研究

通过对旅行商问题（TSP）局部最优解与个体最优解、群体最优解之间的关系分析,针对DPSO算法易早熟和收敛慢的缺点,重新定义了离散粒子群DPSO的速度、位置公式,结合生物界中物种在生存密度过大时个体会自动分散迁徙的特性和局部搜索算法（SEC）后,提出了一种新的自逃逸混合离散粒子群算法（SEHDPSO）.自逃逸思想是一种确定性变异操作,能使算法中陷入局部极小区域的粒子通过自逃逸行为进行全局寻优,从而克服算法易早熟的缺陷.仿真结果表明,SEHDPSO算法比混合蚁群算法（ACS＋2-OPT）具有更好的收敛性和搜索效率.     

一种多粒子群协同进化算法

为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度.